CN107545323A - 商品的物流配送方法、装置、设备及存储介质 - Google Patents
商品的物流配送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107545323A CN107545323A CN201710707155.2A CN201710707155A CN107545323A CN 107545323 A CN107545323 A CN 107545323A CN 201710707155 A CN201710707155 A CN 201710707155A CN 107545323 A CN107545323 A CN 107545323A
- Authority
- CN
- China
- Prior art keywords
- population
- evolution
- individuals
- preset
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 111
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 230000035772 mutation Effects 0.000 description 12
- 239000003471 mutagenic agent Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 231100000707 mutagenic chemical Toxicity 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用计算机技术领域，提供了一种商品的物流配送方法、装置、设备以及存储介质，该方法包括：构建客户满意度优化目标，构建配送路径优化目标，初始化客户满意度优化目标、配送路径优化目标分别对应的种群，将在所有种群中筛选到的非劣个体存储到最优个体集中，根据每个种群对应的种群进化标识对所有种群进行进化，对最优个体集进行进化和更新，在当前迭代次数达到最大迭代次数时，将最优个体集输出为最佳配送方案，否则继续进化，每进行预设次数的迭代后，对每个种群进行种群进化标识的更新，从而在种群进化过程中对计算资源进行有效利用，增强了种群的多样性并提高了种群的优化能力，进而有效地提高了商品物流配送的优化效率和效果。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种商品的物流配送方法、装置、设备及存储介质。
背景技术
在如今的互联网时代，电子商务的兴起促使物流产业的飞速发展，如何优化商品配送路径才能取得好的运输结果，即在节省大量人力物力降低物流成本的同时，能够取得客户的满意，成为商品物流配送的一个重要问题。
目前，用来解决商品物流配送路径的优化问题的有效方法主要包括模拟退火算法、蚁群算法、协同进化算法等。模拟退火算法收敛速度慢、执行之间长、且性能与算法的初始值有很大关系，蚁群算法比较复杂，需要较长的搜索时间，且容易出现停滞现象，协同进化算法是基于生物进化启发，多种群多目标的协同进化算法，具有潜在的并行性和较高的全局性，但也会出现早熟收敛和多样性差的情况，因此，这些方法中求解的物流配送路径都不能达到最优。
发明内容
本发明的目的在于提供一种商品的物流配送的方法、装置、设备及存储介质，旨在解决由于现有技术中商品的物流配送优化易出现早熟收敛、多样性差的问题，导致物流配送优化的效率较低、且无法求解出最优路径。
一方面，本发明提供了一种商品的物流配送方法，所述方法包括下述步骤：
根据接收到的客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标；
构建所述客户满意度优化目标、所述配送路径优化目标分别对应的种群并初始化，筛选所述所有种群中的非劣个体，将所述筛选的非劣个体存储到预设的最优个体集中，初始化所述每个种群对应的种群进化标识，并初始化当前迭代次数；
根据所述种群进化标识对所述种群进行进化，并对所述最优个体集进行进化，根据所述进化后的种群和所述进化后的最优个体集，对所述进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对所述每个种群对应的种群进化标识进行更新；
当所述当前迭代次数达到预设的最大迭代次数时，将所述更新的最优个体集设置为所述客户商品的最佳配送方案并输出，否则对所述当前迭代次数进行加一操作，并跳转至根据所述种群进化标识对所述种群进行进化的步骤。
另一方面，本发明提供了一种商品的物流配送装置，所述装置包括：
目标构建单元，用于根据接收到的客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标；
初始化单元，用于构建所述客户满意度优化目标、所述配送路径优化目标分别对应的种群并初始化，筛选所述所有种群中的非劣个体，将所述筛选的非劣个体存储到预设的最优个体集中，初始化所述每个种群对应的种群进化标识，并初始化当前迭代次数；
进化更新单元，用于根据所述种群进化标识对所述种群进行进化，并对所述最优个体集进行进化，根据所述进化后的种群和所述进化后的最优个体集，对所述进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对所述每个种群对应的种群进化标识进行更新；以及
方案输出单元，用于当所述当前迭代次数达到预设的最大迭代次数时，将所述更新的最优个体集设置为所述客户商品的最佳配送方案并输出，否则对所述当前迭代次数进行加一操作，并由进化更新单元执行根据所述种群进化标识对所述种群进行进化的操作。
另一方面，本发明还提供了一种商品的物流配送设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述商品的物流配送方法所述的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述商品的物流配送方法所述的步骤。
本发明根据客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据配送车辆数目、客户数目和客户位置，构建配送路径优化目标，初始化客户满意度优化目标、路径优化目标分别对应的种群，对所有种群进行非劣个体的筛选，将筛选的非劣个体存储到预设的最优个体集中，初始化每个种群对应的种群进化标识，并初始化当前迭代次数，根据种群进化标识对每个种群进行进化，并对最优个体集进行进化，根据进化后的种群和进化后的最优个体集，对进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对每个种群对应的种群进化标识进行更新，当当前迭代次数达到预设的最大迭代次数时，将更新的最优个体集设置为客户商品的最佳配送方案并输出，否则对当前迭代次数进行加一操作，并跳转至根据种群进化标识对种群进行进化的步骤，从而有效地利用了计算资源，增强了种群的多样性，并提高了种群的优化能力，进而有效地提高了商品物流配送的优化效率，使得求解的商品配送路径达到最优。
附图说明
图1是本发明实施例一提供的商品的物流配送方法的实现流程图；
图2是本发明实施例二提供的商品的物流配送装置的结构示意图；
图3是本发明实施例三提供的商品的物流配送装置的优化结构示意图；以及
图4是本发明实施例四提供的商品的物流配送设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的商品的物流配送方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，根据接收到的客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标。
在本发明实施例中，客户商品期望配送时间即客户期望签收到商品的时间。采集不同客户对应的客户商品期望配送时间、订单数量，根据采集到的客户商品期望配送时间和订单数量，可构建客户满意度优化目标。作为示例地，商品配送到第i个客户的时间可表示为ti，第i个客户的客户商品期望配送时间可表示为[Li,LLi]，第i个客户的订单数量可表示为Xi，则客户满意度目标函数可表示为：
Fi(ti)＝fi(ti)*Xi，其中，当0≤ti≤Li时，fi(ti)＝1，当Li＜ti≤LLi时，当ti＞LLi时，fi(ti)＝0，Fi(ti)的值越大，客户的满意度越高，因此客户满意度优化目标可表示为
在本发明实施例中，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标，作为示例地，配送路径优化目标可表示为：
其中，K为配送车辆数目，N为客户数量，Cij为第i个客户位置与第j个客户位置之间的距离，当第k个车辆可以从第i个客户位置到达第j个客户位置时，xijk＝1，否则，xijk＝0。
在步骤S102中，构建客户满意度优化目标、配送路径优化目标分别对应的种群并初始化，筛选所有种群中的非劣个体，将筛选的非劣个体存储到预设的最优个体集中，初始化每个种群对应的种群进化标识，并初始化当前迭代次数。
在本发明实施例中，构建客户满意度优化目标对应的种群，并随机初始化该种群，同样地，构建配送路径优化目标对应的种群，并随机初始化该种群，若除了客户满意度优化目标、配送路径优化目标外，还构建了另外的优化目标(例如配送成本优化目标)，也可为这些另外的优化目标构建种群并进行随机初始化。可根据Pareto支配关系筛选出所有种群中的非劣个体(非劣个体即非支配解)，将所有的非劣个体存储到预设的最优个体集中。初始化当前迭代次数，并初始化每个种群对应的种群进化标识，种群进化标识为种群是否可以获得计算资源并继续进化的依据，例如，可将种群进化标识设置为“True”或“False”，当种群进化标识为“True”时，表示该种群进化标识对应的种群可分配到计算资源并继续进化，当种群进化标识为“False”时，表示该种群进化标识对应的种群无法分配到计算资源并停止进化，在对种群进化标识进行初始化时可将每个种群的种群进化标识初始化为“True”。
在步骤S103中，根据种群进化标识对种群进行进化，并对最优个体集进行进化，根据进化后的种群和进化后的最优个体集，对进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对每个种群对应的种群进化标识进行更新。
在本发明实施例中，每个种群对应的种群进化标识可设置为第一预设标识(例如“True”)和第二预设标识(例如“False”)，当种群对应的种群进化标识为第一预设标识时，对该种群继续进行进化，当种群对应的种群进化标识为第二预设标识时，对该种群停止进化。在所有种群中查找种群进化标识为第一预设标识的种群，为了便于描述，将查找到的种群记为当前种群，根据预设的自适应差分算法对当前种群中的个体进行变异、交叉和选择，而种群进化标识为第二预设标识的种群停止进化，从而有效地节省并利用计算资源，实现多种群的协同进化。同样地，根据该自适应差分算法和预设的权重向量集，对最优个体集中的个体进行变异、交叉和选择。
在本发明实施例中，根据预设自适应差分算法，对当前种群中的个体进行变异、交叉和选择的过程，可通过以下步骤实现：
(1)根据预设的变异因子和当前种群中的最优个体，对当前种群中的个体进行变异，生成对应的变异个体，变异个体的生成公式可为：
vi＝xi+Fi m×(xbest-xi)+Fi m×(xr1-xr2)，其中，m为当前种群在所有种群中的编号，xi为当前种群中第i个个体，xbest为当前种群中的最优个体，xr1、xr2为在当前种群中随机选择的不同个体，Fi m为xi对应的变异因子，vi为xi对应的变异个体。具体地，变异因子由柯西分布计算得到，柯西分布公式可为：
其中，c为预设参数，为用来保存成功的变异因子的数组，这里将称为变异因子集。
(2)根据预设的交叉概率，将当前种群中的个体与对应的变异个体进行交叉，生成对应的试验个体，假设ui＝[ui,1,ui,2,…,ui,D]为试验个体，当或者j＝jrand时，试验个体ui的第j个分量ui,j＝vi,j，否则，ui,j＝xi,j，其中，r为[0,1]区间上均匀分布的随机数，jrand为在[0,D]区间上随机选取的整数，D为当前种群中个体的维度，为当前种群中第i个个体xi对应的交叉概率，为正态分布的均值，为用来保存成功的交叉概率的数组，这里将称为交叉概率集。
具体地，当当前种群中的个体经过变异、交叉后得到优于该个体的试验个体时，在变异过程中用到的变异因子为成功的变异因子，在交叉过程中用到的交叉概率为成功的交叉概率。
(3)根据当前种群中个体的目标值和对应的试验个体的目标值，确定是否对当前种群的个体进行更新。
在本发明实施例中，可根据当前种群对应的优化目标(例如，客户满意度优化目标、配送路径优化目标)，计算当前种群中个体对应的目标值，并计算该个体变异交叉后得到的试验个体对应的目标值，当试验个体对应的目标值优于个体的目标值时，对该个体进行更新。
(4)当对当前种群的个体进行更新时，根据当前种群中更新的个体所对应的变异因子、交叉概率以及预设的变异因子集、交叉概率集，对变异因子、交叉概率更新。
具体地，变异因子集即用来保存成功的变异因子的数组交叉概率集即用来保存成功的交叉概率的数组在每个种群的每次进化过程开始时，可将变异因子集和交叉概率集可初始化为空。当对当前种群的个体进行更新时，将当前种群中更新的个体所对应的变异因子、交叉概率分别添加到变异因子集、交叉概率集。根据当前种群中更新的个体所对应的变异因子、交叉概率以及预设的变异因子集、交叉概率集，对变异因子、交叉概率更新，其中：
变异因子的更新公式为：
其中，
交叉概率的更新公式为：
在本发明实施例中，根据该自适应差分算法和预设的权重向量集，对最优个体集中的个体进行变异、交叉和选择的过程，可通过下述步骤实现：
(1)在预设的权重向量集中查找最优个体集中每个个体对应的权重向量。
在本发明实施例中，最优个体集用来存储进化过程每个种群中的所有非劣个体(即非支配解)，以保证多目标优化过程的种群多样性，由于进化后的最优个体集中的个体数量小于预设的最优个体集大小，需在预设的权重向量集中查找最优个体集中每个个体对应的权重向量，以将最优个体集的优化问题分解为最优个体集大小个标量的优化问题，通过对最优个体集中每个个体的进化实现对最优个体集的进化。
具体地，计算最优个体集中每个个体与权重向量集中每个权重向量的角度，根据计算到的角度大小，分别确定最优个体集中每个个体最接近的权重向量，角度计算公式可为：
angle(x,λj)＝arccos(((Z(x)-z*)Tλj)/(||Z(x)-z*||||λj||))，其中，x为最优个体集中的个体，为权重向量集，N1为权重向量的个数，也为预设的最优个体集大小，其中，为x在第i个种群中对应的最小值，M为种群数量，也为优化目标的数量，Z(x)为zi(x)。
(2)根据自适应差分算法，对最优个体集中的每个个体进行变异、交叉和选择。
在本发明实施例中，对最优个体集中每个个体进行变异、交叉的过程与对种群中个体进行变异、交叉的过程相似，对最优个体集中个体变异、交叉使用的变异因子、交叉概率进行更新与对种群中个体变异、交叉使用的变异因子、交叉概率进行更新的过程相似，在此不再赘述。当对最优化个体集中个体进行变异、交叉生成对应的试验个体u′i时，判断zi(u′i)是否小于当小于时，将更新为zi(u′i)，以对进行更新。根据最优个体集中个体xi对应的权值向量、z*，计算个体xi对应的切比雪夫函数值，并计算试验个体u′i对应的切比雪夫函数值，当试验个体u′i对应的切比雪夫函数值小于个体xi对应的切比雪夫函数值时，将最优化个体集中当前进行进化的个体xi替换为试验个体u′i，并将当前进化所用的变异因子和交叉概率分别添加到变异因子集和交叉概率集中。
在本发明实施例中，在对客户满意度优化目标和/或配送路径优化目标对应的种群、最优个体集进行进化后，对所有进化后的种群和进化后的最优个体集进行非支配排序，即根据Pareto支配关系在所有种群中筛选出所有的非劣个体，将这些非劣个体存储到最优个体集中，当最优个体集中的非劣个体的数量超过预设的最优个体集大小时，可通过基于密度估计的方式对最优个体集进行截断，使得最优个体集中非劣个体的数量满足预设的最优个体集大小，得到更新后的最优个体集。
在本发明实施例中，由于不同的种群很可能计算难度不同，根据种群的进化状态进行计算资源的动态分配是较为合理的，因此每对所有种群进行预设次数次迭代后，检测当前每个种群中的最优个体是否对应地优于预设次数次迭代前每个种群中的最优个体，当优于时，将该种群对应的种群进化标识更新为第一预设标识，这意味着该种群在下次进化中将分配到计算资源并继续进化，否则更新为第二预设标识，从而有效地利用计算资源，降低计算资源的消耗。
在步骤S104中，检测当前迭代次数是否达到预设的最大迭代次数。
在本发明实施例中，当当前迭代次数达到最大迭代次数时，可认为所有种群的进化已完成，执行步骤S105，否则执行步骤S106。
在步骤S105中，将更新后的最优个体集设置为客户商品的最佳配送方案并输出。
在步骤S106中，对当前迭代次数进行加一操作。
在本发明实施例中，对当前迭代次数进行加一操作后，跳转至步骤S103中执行根据种群进化标识对种群进行进化的操作。
在本发明实施例中，构建客户满意度优化目标、配送路径优化目标，初始化客户满意度优化目标对应的种群、配送路径优化目标对应的种群，对所有种群进行非劣个体的筛选，将所有非劣个体存储到预设的最优个体集中，同时初始化当前迭代次数、每个种群对应的种群进化标识，根据种群进化标识、自适应差分算法对每个种群进行进化，并对最优个体集进行进化、更新，当当前迭代次数达到最大迭代次数时，将更新后的最优个体集设置为最佳配送方案并输出，否则跳转至对种群进行进化的步骤，从而通过种群进化标识实现计算资源的动态分配，有效地节约并利用计算资源，通过自适应差分算法、最优个体集，有效地提高商品物流配送优化目标优化的收敛能力、保证了进化过程中商品物流配送优化目标的多样性，进而有效地提高了商品物流配送优化效率和效果。
实施例二：
图2示出了本发明实施例二提供的商品的物流配送装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
目标构建单元21，用于根据接收到的客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标。
在本发明实施例中，客户商品期望配送时间即客户期望签收到商品的时间。采集不同客户对应的客户商品期望配送时间、订单数量，根据采集到的客户商品期望配送时间和订单数量，可构建客户满意度优化目标。作为示例地，将商品配送到第i个客户的时间可表示为ti，第i个客户的客户商品期望配送时间可表示为[Li,LLi]，第i个客户的订单数量可表示为Xi，则客户满意度目标函数可为：
Fi(ti)＝fi(ti)*Xi，其中，当0≤ti≤Li时，fi(ti)＝1，当Li＜ti≤LLi时，当ti＞LLi时，fi(ti)＝0，Fi(ti)的值越大，客户的满意度越高，因此客户满意度优化目标可表示为
在本发明实施例中，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标，作为示例地，配送路径优化目标可表示为：
其中，K为配送车辆数目，N为客户数量，Cij为第i个客户位置与第j个客户位置之间的距离，当第k个车辆可以从第i个客户位置到达第j个客户位置时，xijk＝1，否则，xijk＝0。
初始化单元22，用于构建客户满意度优化目标、配送路径优化目标分别对应的种群并初始化，筛选所有种群中的非劣个体，将非劣个体存储到预设的最优个体集中，初始化每个种群对应的种群进化标识，并初始化当前迭代次数。
在本发明实施例中，构建客户满意度优化目标对应的种群，并随机初始化该种群，同样地，构建配送路径优化目标对应的种群，并随机初始化该种群，若除了客户满意度优化目标、配送路径优化目标外，还构建了另外的优化目标(例如配送成本优化目标)，也可为这些另外的优化目标构建种群并进行随机初始化。可根据Pareto支配关系筛选出所有种群中的非劣个体(非劣个体即非支配解)，将所有的非劣个体存储到预设的最优个体集中。初始化当前迭代次数，并初始化每个种群对应的种群进化标识，种群进化标识为种群是否可以获得计算资源并继续进化的依据。
进化更新单元23，用于根据种群进化标识对种群进行进化，并对最优个体集进行进化，根据进化后的种群和进化后的最优个体集，对进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对每个种群对应的种群进化标识进行更新。
在本发明实施例中，每个种群对应的种群进化标识可设置为第一预设标识(例如“True”)和第二预设标识(例如“False”)，当种群对应的种群进化标识为第一预设标识时，对该种群继续进行进化，当种群对应的种群进化标识为第二预设标识时，对该种群停止进化。在所有种群中查找种群进化标识为第一预设标识的种群，为了便于描述，将查找到的种群记为当前种群，根据预设的自适应差分算法对当前种群中的个体进行变异、交叉和选择，而种群进化标识为第二预设标识的种群停止进化，从而有效地节省并利用计算资源，实现多种群的协同进化。同样地，根据该自适应差分算法和预设的权重向量集，对最优个体集中的个体进行变异、交叉和选择。
在本发明实施例中，根据预设自适应差分算法，对当前种群中的个体进行变异、交叉和选择的过程，可通过以下步骤实现：
(1)根据预设的变异因子和当前种群中的最优个体，对当前种群中的个体进行变异，生成对应的变异个体，变异个体的生成公式可为：
vi＝xi+Fi m×(xbest-xi)+Fi m×(xr1-xr2)，其中，m为当前种群在所有种群中的编号，xi为当前种群中第i个个体，xbest为当前种群中的最优个体，xr1、xr2为在当前种群中随机选择的不同个体，Fi m为xi对应的变异因子，vi为xi对应的变异个体。具体地，变异因子由柯西分布计算得到，柯西分布公式可为：
其中，c为预设参数，为用来保存成功的变异因子的数组，这里将称为变异因子集。
(2)根据预设的交叉概率，将当前种群中的个体与对应的变异个体进行交叉，生成对应的试验个体，假设ui＝[ui,1,ui,2,…,ui,D]为试验个体，当或者j＝jrand时，试验个体ui的第j个分量ui,j＝vi,j，否则，ui,j＝xi,j，其中，r为[0,1]区间上均匀分布的随机数，jrand为在[0,D]区间上随机选取的整数，D为当前种群中个体的维度，为当前种群中第i个个体xi对应的交叉概率，为正态分布的均值，为用来保存成功的交叉概率的数组，这里将称为交叉概率集。
具体地，当当前种群中的个体经过变异、交叉后得到优于该个体的试验个体时，在变异过程中用到的变异因子为成功的变异因子，在交叉过程中用到的交叉概率为成功的交叉概率。
(3)根据当前种群中个体的目标值和对应的试验个体的目标值，确定是否对当前种群的个体进行更新。
在本发明实施例中，可根据当前种群对应的优化目标(例如，客户满意度优化目标、配送路径优化目标)，计算当前种群中个体对应的目标值，并计算该个体变异交叉后得到的试验个体对应的目标值，当试验个体对应的目标值优于个体的目标值时，对该个体进行更新。
(4)当对当前种群的个体进行更新时，根据当前种群中更新的个体所对应的变异因子、交叉概率以及预设的变异因子集、交叉概率集，对变异因子、交叉概率变异因子集、交叉概率集更新。
具体地，变异因子集即用来保存成功的变异因子的数组交叉概率集即用来保存成功的交叉概率的数组在每个种群的每次进化过程开始时，可将变异因子集和交叉概率集可初始化为空。当对当前种群的个体进行更新时，将当前种群中更新的个体所对应的变异因子、交叉概率分别添加到变异因子集、交叉概率集。根据当前种群中更新的个体所对应的变异因子、交叉概率以及预设的变异因子集、交叉概率集，对变异因子、交叉概率更新，其中：
变异因子的更新公式为：
其中，
交叉概率的更新公式为：
在本发明实施例中，根据该自适应差分算法和预设的权重向量集，对最优个体集中的个体进行变异、交叉和选择的过程，可通过下述步骤实现：
(1)在预设的权重向量集中查找最优个体集中每个个体对应的权重向量。
在本发明实施例中，最优个体集用来存储进化过程每个种群中的所有非劣个体(即非支配解)，以保证多目标优化过程的种群多样性，由于在进化后的最优个体集中的个体数量小于预设的最优个体集大小，需在预设的权重向量集中查找最优个体集中每个个体对应的权重向量，以将最优个体集的优化问题分解为最优个体集大小个标量的优化问题，通过对最优个体集中每个个体的进化实现对最优个体集的进化。
具体地，计算最优个体集中每个个体与权重向量集中每个权重向量的角度，根据计算到的角度大小，分别确定最优个体集中每个个体最接近的权重向量，角度计算公式可为：
angle(x,λj)＝arccos(((Z(x)-z*)Tλj)/(||Z(x)-z*||||λj||))，其中，x为最优个体集中的个体，为权重向量集，N1为权重向量的个数，也为预设的最优个体集大小，其中，为x在第i个种群中对应的最小值，M为种群数量，也为优化目标的数量，Z(x)为zi(x)。
(2)根据自适应差分算法，对最优个体集中的每个个体进行变异、交叉和选择。
在本发明实施例中，对最优个体集中每个个体进行变异、交叉的过程与对种群中个体进行变异、交叉的过程相似，对最优个体集中个体变异、交叉使用的变异因子、交叉概率进行更新与对种群中个体变异、交叉使用的变异因子、交叉概率进行更新的过程相似，在此不再赘述。当对最优化个体集中个体进行变异、交叉生成对应的试验个体u′i时，判断zi(u′i)是否小于当小于时，将更新为zi(u′i)，以对进行更新。根据最优个体集中个体xi对应的权值向量、z*，计算个体xi对应的切比雪夫函数值，并计算试验个体u′i对应的切比雪夫函数值，当试验个体u′i对应的切比雪夫函数值小于个体xi对应的切比雪夫函数值时，将最优化个体集中当前进行进化的个体xi替换为试验个体u′i，并将当前进化所用的变异因子和交叉概率分别添加到变异因子集和交叉概率集中。
在本发明实施例中，在对客户满意度优化目标和/或配送路径优化目标对应的种群、最优个体集进行进化后，对所有进化后的种群和进化后的最优个体集进行非支配排序，即根据Pareto支配关系在所有种群中筛选出所有的非劣个体，将这些非劣个体存储到最优个体集中，当最优个体集中的非劣个体的数量超过预设的最优个体集大小时，可通过基于密度估计的方式对最优个体集进行截断，使得最优个体集中非劣个体的数量满足预设的最优个体集大小，得到更新后的最优个体集。
在本发明实施例中，由于不同的种群很可能计算难度不同，根据种群的进化状态进行计算资源的动态分配是较为合理的，因此每对所有种群进行预设次数次迭代后，检测当前每个种群中的最优个体是否对应地优于预设次数次迭代前每个种群中的最优个体，当优于时，将该种群对应的种群进化标识更新为第一预设标识，这意味着该种群在下次进化中将分配到计算资源并继续进化，否则更新为第二预设标识，从而有效地利用计算资源，降低计算资源的消耗。
方案输出单元24，用于当当前迭代次数达到预设的最大迭代次数时，将更新的最优个体集设置为客户商品的最佳配送方案并输出，否则对当前迭代次数进行加一操作，并由进化更新单元执行根据种群进化标识对种群进行进化的操作。
优选地，如图3所示，进化更新单元23包括：
资源动态分配单元331，用于在客户满意度优化目标、配送路径优化目标分别对应的种群中查找种群进化标识为第一预设标识的种群，并将查找到的种群记为当前种群；
种群进化单元332，用于根据预设自适应差分算法，对当前种群进行个体变异、交叉和选择；
个体集进化单元333，用于根据自适应差分算法和预设的权重向量集，对最优个体集进行个体变异、交叉和选择；
非支配排序单元334，用于对进化后的种群和进化后的最优个体集进行非支配排序，获得相应的非劣个体，将获得的非劣个体存储到进化后的最优个体集中；以及
个体截取单元335，用于当进化后的最优个体集中非劣个体的数量超过预设的最优个体集大小时，对进化后的最优个体集中的非劣个体进行截取。
在本发明实施例中，构建客户满意度优化目标、配送路径优化目标，初始化客户满意度优化目标对应的种群、配送路径优化目标对应的种群，对所有种群进行非劣个体的筛选，将所有非劣个体存储到预设的最优个体集中，同时初始化当前迭代次数、每个种群对应的种群进化标识，根据种群进化标识、自适应差分算法对每个种群进行进化，并对最优个体集进行进化、更新，当当前迭代次数达到最大迭代次数时，将更新后的最优个体集设置为最佳配送方案并输出，否则跳转至对种群进行进化的步骤，从而通过种群进化标识实现计算资源的动态分配，有效地节约并利用计算资源，通过自适应差分算法、最优个体集，有效地提高商品物流配送优化目标优化的收敛能力、保证了进化过程中商品物流配送优化目标的多样性，进而有效地提高了商品物流配送优化效率和效果。
在本发明实施例中，商品的物流配送装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例三：
图4示出了本发明实施例三提供的商品的物流配送设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的商品的物流配送设备4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，处理器40执行计算机程序42时实现上述各装置实施例中各单元的功能，例如图2所示单元21至24的功能。
在本发明实施例中，根据客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据配送车辆数目、客户数目和客户位置，构建配送路径优化目标，初始化客户满意度优化目标、路径优化目标分别对应的种群，对所有种群进行非劣个体的筛选，将筛选的非劣个体存储到预设的最优个体集中，初始化每个种群对应的种群进化标识，并初始化当前迭代次数，根据种群进化标识对每个种群进行进化，并对最优个体集进行进化，根据进化后的种群和进化后的最优个体集，对进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对每个种群对应的种群进化标识进行更新，当当前迭代次数达到预设的最大迭代次数时，将更新的最优个体集设置为客户商品的最佳配送方案并输出，否则对当前迭代次数进行加一操作，并跳转至根据种群进化标识对种群进行进化的步骤，从而有效地利用了计算资源，并增强了种群的多样性，提高了种群的优化能力，进而有效地提高了商品物流配送的优化效率，使得求解的商品配送路径达到最优。
实施例五：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例中的步骤，例如，图1所示的步骤S101至S106。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图2所示单元21至24的功能。
本发明根据客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据配送车辆数目、客户数目和客户位置，构建配送路径优化目标，初始化客户满意度优化目标、路径优化目标分别对应的种群，对所有种群进行非劣个体的筛选，将筛选的非劣个体存储到预设的最优个体集中，初始化每个种群对应的种群进化标识，并初始化当前迭代次数，根据种群进化标识对每个种群进行进化，并对最优个体集进行进化，根据进化后的种群和进化后的最优个体集，对进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对每个种群对应的种群进化标识进行更新，当当前迭代次数达到预设的最大迭代次数时，将更新的最优个体集设置为客户商品的最佳配送方案并输出，否则对当前迭代次数进行加一操作，并跳转至根据种群进化标识对种群进行进化的步骤，从而有效地利用了计算资源，并增强了种群的多样性，提高了种群的优化能力，进而有效地提高了商品物流配送的优化效率，使得求解的商品配送路径达到最优。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种商品的物流配送方法，其特征在于，所述方法包括下述步骤：
根据接收到的客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标；
构建所述客户满意度优化目标、所述配送路径优化目标分别对应的种群并初始化，筛选所述所有种群中的非劣个体，将所述筛选的非劣个体存储到预设的最优个体集中，初始化所述每个种群对应的种群进化标识，并初始化当前迭代次数；
根据所述种群进化标识对所述种群进行进化，并对所述最优个体集进行进化，根据所述进化后的种群和所述进化后的最优个体集，对所述进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对所述每个种群对应的种群进化标识进行更新；
当所述当前迭代次数达到预设的最大迭代次数时，将所述更新的最优个体集设置为所述客户商品的最佳配送方案并输出，否则对所述当前迭代次数进行加一操作，并跳转至根据所述种群进化标识对所述种群进行进化的步骤。
2.如权利要求1所述的方法，其特征在于，根据所述种群进化标识对所述种群进行进化，并对所述最优个体集进行进化的步骤，包括：
在所述客户满意度优化目标、所述配送路径优化目标分别对应的种群中查找所述种群进化标识为第一预设标识的种群，将所述查找到的种群记为当前种群；
根据预设的自适应差分算法，对所述当前种群进行个体变异、交叉和选择；
根据所述自适应差分算法和预设的权重向量集，对所述最优个体集进行个体变异、交叉和选择。
3.如权利要求2所述的方法，其特征在于，根据预设的自适应差分算法，对所述当前种群进行个体变异、交叉和选择的步骤，包括：
根据预设的变异因子和所述当前种群中的最优个体，对所述当前种群中的个体进行变异，生成对应的变异个体，所述变异个体的生成公式为：
vi＝xi+Fi m×(xbest-xi)+Fi m×(xr1-xr2)，其中，所述m为所述当前种群在所述所有种群中的编号，所述xi为所述当前种群中第i个个体，所述xbest为所述当前种群中的最优个体，所述xr1、xr2为在所述当前种群中随机选择的不同个体，所述Fi m为所述xi对应的变异因子，所述vi为所述xi对应的变异个体；
根据预设的交叉概率，将所述当前种群中的个体与所述对应的变异个体进行交叉，生成对应的试验个体；
根据所述当前种群中个体的目标值和所述对应的试验个体的目标值，确定是否对所述当前种群的个体进行更新；
当对所述当前种群的个体进行更新时，根据所述当前种群中更新的个体所对应的变异因子、交叉概率以及预设的变异因子集、交叉概率集，对所述所对应的变异因子、交叉概率进行更新。
4.如权利要求1所述的方法，其特征在于，根据所述进化后的种群和所述进化后的最优个体集，对所述进化后的最优个体集进行更新的步骤，包括：
对所述进化后的种群和所述进化后的最优个体集进行非支配排序，获得相应的非劣个体，将所述获得的非劣个体存储到所述进化后的最优个体集中；
当所述进化后的最优个体集中非劣个体数量超过预设的最优个体集大小时，对所述最优个体集中的非劣个体进行截取。
5.如权利要求1所述的方法，其特征在于，根据预设的种群进化标识更新方式，对所述每个种群进化标识进行更新的步骤，包括：
每当所述每个种群进行预设次数的迭代后，检测当前所述每个种群中的最优个体是否优于所述预设次数次迭代前所述种群的最优个体；
当所述种群中的最优个体优于所述预设次数次迭代前所述种群的最优个体时，将所述种群对应的种群进化标识更新为第一预设标识，否则更新为第二预设标识。
6.一种商品的物流配送装置，其特征在于，所述装置包括：
目标构建单元，用于根据接收到的客户商品期望配送时间、订单数量，构建客户满意度优化目标，根据接收到的配送车辆数目、客户数目和客户位置，构建配送路径优化目标；
初始化单元，用于构建所述客户满意度优化目标、所述配送路径优化目标分别对应的种群并初始化，筛选所述所有种群中的非劣个体，将所述筛选的非劣个体存储到预设的最优个体集中，初始化所述每个种群对应的种群进化标识，并初始化当前迭代次数；
进化更新单元，用于根据所述种群进化标识对所述种群进行进化，并对所述最优个体集进行进化，根据所述进化后的种群和所述进化后的最优个体集，对所述进化后的最优个体集进行更新，根据预设的种群进化标识更新方式，对所述每个种群对应的种群进化标识进行更新；以及
方案输出单元，用于当所述当前迭代次数达到预设的最大迭代次数时，将所述更新的最优个体集设置所述客户商品的最佳配送方案并输出，否则对所述当前迭代次数进行加一操作，并由进化更新单元执行根据所述种群进化标识对所述种群进行进化的操作。
7.如权利要求6所述的装置，其特征在于，所述进化更新单元包括：
资源动态分配单元，用于在所述客户满意度优化目标、所述配送路径优化目标分别对应的种群中查找所述种群进化标识为第一预设标识的种群，并将查找到的种群记为当前种群；
种群进化单元，用于根据预设的自适应差分算法，对所述当前种群进行个体变异、交叉和选择；以及
个体集进化单元，用于根据所述自适应差分算法和预设的权重向量集，对所述最优个体集进行个体变异、交叉和选择。
8.如权利要求6所述的装置，其特征在于，所述进化更新单元包括：
非支配排序单元，用于对所述进化后的种群和所述进化后的最优个体集进行非支配排序，获得相应的非劣个体，将所述获得的非劣个体存储到所述进化后的最优个体集中；以及
个体截取单元，用于当所述进化后的最优个体集中非劣个体的数量超过预设的最优个体集大小时，对所述进化后的最优个体集中的非劣个体进行截取。
9.一种商品的物流配送设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710707155.2A CN107545323A (zh) | 2017-08-17 | 2017-08-17 | 商品的物流配送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710707155.2A CN107545323A (zh) | 2017-08-17 | 2017-08-17 | 商品的物流配送方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107545323A true CN107545323A (zh) | 2018-01-05 |
Family
ID=60957481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710707155.2A Pending CN107545323A (zh) | 2017-08-17 | 2017-08-17 | 商品的物流配送方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107545323A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647821A (zh) * | 2018-05-09 | 2018-10-12 | 浙江工业大学 | 一种基于参数自学习的差分进化物流配送路径优化方法 |
| CN108874540A (zh) * | 2018-06-04 | 2018-11-23 | 北京云鸟科技有限公司 | 一种面向cpu密集型的vrp云服务系统的请求处理方法和系统 |
| CN116562598A (zh) * | 2023-07-07 | 2023-08-08 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701569A (zh) * | 2016-01-08 | 2016-06-22 | 广东电网有限责任公司电力科学研究院 | 基于改进差分进化算法的作业路径动态优化方法 |
| CN105894222A (zh) * | 2014-12-16 | 2016-08-24 | 重庆邮电大学 | 一种物流配送路径优化方法 |
| CN106682769A (zh) * | 2016-12-12 | 2017-05-17 | 华东理工大学 | 一种产品车辆路径实现方法和装置 |
-
2017
- 2017-08-17 CN CN201710707155.2A patent/CN107545323A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894222A (zh) * | 2014-12-16 | 2016-08-24 | 重庆邮电大学 | 一种物流配送路径优化方法 |
| CN105701569A (zh) * | 2016-01-08 | 2016-06-22 | 广东电网有限责任公司电力科学研究院 | 基于改进差分进化算法的作业路径动态优化方法 |
| CN106682769A (zh) * | 2016-12-12 | 2017-05-17 | 华东理工大学 | 一种产品车辆路径实现方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| DAS S 等: "Differential Evolution: A Survey of the State-of-the-Art", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
| JINGQIAO ZHANG 等: "JADE：Adaptive Differential Evolution With Optional External Archive", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
| 李晶: "协同配送车辆路径问题的多目标优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647821A (zh) * | 2018-05-09 | 2018-10-12 | 浙江工业大学 | 一种基于参数自学习的差分进化物流配送路径优化方法 |
| CN108874540A (zh) * | 2018-06-04 | 2018-11-23 | 北京云鸟科技有限公司 | 一种面向cpu密集型的vrp云服务系统的请求处理方法和系统 |
| CN116562598A (zh) * | 2023-07-07 | 2023-08-08 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
| CN116562598B (zh) * | 2023-07-07 | 2023-09-19 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Srivastava et al. | NSGA-II with objective-specific variation operators for multiobjective vehicle routing problem with time windows | |
| Abd Elaziz et al. | Many-objectives multilevel thresholding image segmentation using knee evolutionary algorithm | |
| CN107169768B (zh) | 异常交易数据的获取方法和装置 | |
| CN107506846B (zh) | 一种基于多目标粒子群优化算法的车辆调度方法与装置 | |
| Price | Differential evolution | |
| Rostami et al. | Covariance matrix adaptation pareto archived evolution strategy with hypervolume-sorted adaptive grid algorithm | |
| Huang et al. | A multi-objective approach to robust optimization over time considering switching cost | |
| CN107545323A (zh) | 商品的物流配送方法、装置、设备及存储介质 | |
| Mersmann et al. | Local search and the traveling salesman problem: A feature-based characterization of problem hardness | |
| Gnägi et al. | A matheuristic for large-scale capacitated clustering | |
| Zhang et al. | DECAL: Decomposition-based coevolutionary algorithm for many-objective optimization | |
| Cao et al. | A collaboration-based particle swarm optimizer with history-guided estimation for optimization in dynamic environments | |
| Prasad et al. | SVM classifier based feature selection using GA, ACO and PSO for siRNA design | |
| CN114281690A (zh) | 一种对软件进行分组模糊测试的方法 | |
| CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
| CN111582313B (zh) | 样本数据生成方法、装置及电子设备 | |
| Wink et al. | A meta-genetic algorithm for solving the capacitated vehicle routing problem | |
| Domínguez-Medina et al. | Evenly spaced Pareto fronts of quad-objective problems using PSA partitioning technique | |
| CN111667208A (zh) | 一种物品存储控制方法、装置、设备及介质 | |
| CN113392141B (zh) | 一种抗欺骗攻击的分布式数据多类别逻辑回归方法及装置 | |
| Chen et al. | Multi-objective distribution routing optimization with time window based on improved genetic algorithm | |
| JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
| CN110399968B (zh) | 基于效用函数的系统级测试性设计多目标优化方法 | |
| CN113205185A (zh) | 网络模型优化方法、装置、计算机设备和存储介质 | |
| Liu et al. | A new infill criterion based on sorting of approximation uncertainty for expensive evolutionary many-objective optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |
|
| RJ01 | Rejection of invention patent application after publication |